Simulation-based Benchmarking for Causal Structure Learning in Gene Perturbation Experiments

因果结构学习（CSL）是指从数据中学习因果关系的任务。CSL的进展现在允许在不同的应用领域学习因果图，这有潜力促进数据驱动的因果决策。真实世界中CSL的表现取决于许多$\textit{上下文特定}$因素，包括上下文特定的数据分布和非线性依赖关系，在实际应用中非常重要。然而，我们对于如何评估和选择特定上下文中的CSL方法的理解仍然有限。为了填补这个空白，我们提出了$\textit{CausalRegNet}$，这是一个乘法效应结构因果模型，允许生成包含上下文特定属性的观测和干预数据，重点关注基因干扰实验的设置。使用真实的基因干扰数据，我们展示了CausalRegNet生成准确的分布，并且比当前的模拟框架具有更好的可扩展性。我们演示了在生物学的干预实验的上下文中使用CausalRegNet来评估CSL方法的用途。

本论文旨在解决从数据中学习因果关系的问题，并考虑了在实际应用中，数据分布和非线性依赖等特定上下文因素的影响。

本文提出了一种名为CausalRegNet的结构因果模型，能够生成包含特定上下文属性的观测和干预数据，并着重于基因扰动实验的设置。使用真实的基因扰动数据，证明了CausalRegNet生成的分布准确，并且比当前的模拟框架具有更好的可扩展性。本文还展示了如何在生物学的干预实验中使用CausalRegNet评估因果结构学习方法。

本文的亮点包括提出了一种新的结构因果模型CausalRegNet，该模型能够生成包含特定上下文属性的观测和干预数据。在真实的基因扰动数据上进行实验，证明了CausalRegNet生成的分布准确，并且比当前的模拟框架具有更好的可扩展性。本文还展示了如何使用CausalRegNet在生物学的干预实验中评估因果结构学习方法。

在最近的研究中，也有一些关于因果结构学习的相关研究，例如：'Causal discovery from nonstationary/heterogeneous data: Skeleton estimation and orientation determination'和'Learning causal networks with latent variables from multivariate information in genomic data'。